BERT 推出这一年来，除了 XLNet，其他的改进都没带来太多惊喜，无非是越堆越大的模型和数据，以及动辄 1024 块 TPU，让工程师们不知道如何落地。
ELECTRA 通过类似 GAN 的结构和新的预训练任务，在更少的参数量和数据下，不仅吊打 BERT，而且仅用 1/4 的算力就达到了当时 SOTA 模型 RoBERTa 的效果。
简介
ELECTRA 的全称是 Efficiently Learning an Encoder that Classifies Token Replacements Accurately，先来直观感受一下 ELECTRA 的效果：
右边的图是左边的放大版，纵轴是 GLUE 分数，横轴是 FLOPs (floating point operations)，Tensorflow 中提供的浮点数计算量统计。从上图可以看到，同等量级的 ELECTRA 是一直碾压 BERT 的，而且在训练更长的步数之后，达到了当时的 SOTA 模型——RoBERTa 的效果。从左图曲线上也可以看到，ELECTRA 效果还有继续上升的空间。
模型结构
NLP 式的 Generator-Discriminator
ELECTRA 最主要的贡献是提出了新的预训练任务和框架，把生成式的 Masked language model(MLM) 预训练任务改成了判别式的 Replaced token detection(RTD) 任务，判断当前 token 是否被语言模型替换过。那么问题来了，我随机替换一些输入中的字词，再让 BERT 去预测是否替换过可以吗？可以的，因为我就这么做过，但效果并不好，因为随机替换太简单了。
那怎样使任务复杂化呢？咦，咱们不是有预训练一个 MLM 模型吗？
于是作者就干脆使用一个 MLM 的 G-BERT 来对输入句子进行更改，然后丢给 D-BERT 去判断哪个字被改过，如下：
于是，我们 NLPer 终于成功地把 CV 的 GAN 拿过来了！
Replaced Token Detection
但上述结构有个问题，输入句子经过生成器，输出改写过的句子，因为句子的字词是离散的，所以梯度在这里就断了，判别器的梯度无法传给生成器，于是生成器的训练目标还是 MLM（作者在后文也验证了这种方法更好），判别器的目标是序列标注（判断每个 token 是真是假），两者同时训练，但判别器的梯度不会传给生成器，目标函数如下：
因为判别器的任务相对来说容易些，RTD loss 相对 MLM loss 会很小，因此加上一个系数，作者训练时使用了 50。
另外要注意的一点是，在优化判别器时计算了所有 token 上的 loss，而以往计算 BERT 的 MLM loss 时会忽略没被 mask 的 token。作者在后来的实验中也验证了在所有 token 上进行 loss 计算会提升效率和效果。
事实上，ELECTRA 使用的 Generator-Discriminator 架构与 GAN 还是有不少差别，作者列出了如下几点：
实验及结论
创新总是不易的，有了上述思想之后，可以看到作者进行了大量的实验，来验证模型结构、参数、训练方式的效果。
Weight Sharing
生成器和判别器的权重共享是否可以提升效果呢？作者设置了相同大小的生成器和判别器，在不共享权重下的效果是 83.6，只共享 token embedding 层的效果是 84.3，共享所有权重的效果是 84.4。作者认为生成器对 embedding 有更好的学习能力，因为在计算 MLM 时，softmax 是建立在所有 vocab 上的，之后反向传播时会更新所有 embedding，而判别器只会更新输入的 token embedding。最后作者只使用了 embedding sharing。
Smaller Generators
从权重共享的实验中看到，生成器和判别器只需要共享 embedding 的权重就足矣了，那这样的话是否可以缩小生成器的尺寸进行训练效率提升呢？作者在保持原有 hidden size 的设置下减少了层数，得到了下图所示的关系图：
可以看到，生成器的大小在判别器的 1/4 到 1/2 之间效果是最好的。作者认为原因是过强的生成器会增大判别器的难度（判别器：小一点吧，我太难了）。
Training Algorithms
实际上除了 MLM loss，作者也尝试了另外两种训练策略：
Adversarial Contrastive Estimation：ELECTRA 因为上述一些问题无法使用 GAN，但也可以以一种对抗学习的思想来训练。作者将生成器的目标函数由最小化 MLM loss 换成了最大化判别器在被替换 token 上的 RTD loss。但还有一个问题，就是新的生成器 loss 无法用梯度下降更新生成器，于是作者用强化学习 Policy Gradient 的思想，将被替换 token 的交叉熵作为生成器的 reward，然后进行梯度下降。强化方法优化下来生成器在 MLM 任务上可以达到 54% 的准确率，而之前 MLE 优化下可以达到 65%。
Two-stage training：即先训练生成器，然后 freeze 掉，用生成器的权重初始化判别器，再接着训练相同步数的判别器。
对比三种训练策略，得到下图：
可见「隔离式」的训练策略效果还是最好的，而两段式的训练虽然弱一些，作者猜测是生成器太强了导致判别任务难度增大，但最终效果也比 BERT 本身要强，进一步证明了判别式预训练的效果。
Small model? Big model？
这两节真是吊打之前的模型，作者重申了他的主要目的是提升预训练效率，于是做了 GPU 单卡就可以愉快训练的 ELECTRA-Small 和 BERT-Small，接着和尺寸不变的 ELMo、GPT 等进行对比，结果如下：
数据简直优秀，仅用 14M 参数量，以前 13% 的体积，在提升了训练速度的同时还提升了效果，这里我疯狂点赞。
小 ELECTRA 的本事我们见过了，那大 ELECTRA 行吗？直接上图：
上面是各个模型在 GLUE dev/text 上的表现，可以看到 ELECTRA 仅用了 1/4 的计算量就达到了 RoBERTa 的效果。而且作者使用的是 XLNet 的语料，大约是 126G，但 RoBERTa 用了 160G。由于时间和精力问题，作者们没有把 ELECTRA 训练更久（应该会有提升），也没有使用各种榜单 Trick，所以真正的 GLUE test 上表现一般（现在的 T5 是 89.7，RoBERTa 是 88.5，没看到 ELECTRA）。
Efficiency Analysis
前文中提到了，BERT 的 loss 只计算被替换的 15% 个 token，而 ELECTRA 是全部都计算的，所以作者又做了几个实验，探究哪种方式更好一些：
1. ELECTRA 15%：让判别器只计算 15% token 上的损失
2. Replace MLM：训练 BERT MLM，输入不用 [MASK] 进行替换，而是其他生成器。这样可以消除这种 pretrain-finetune 直接的 diff。
3. All-Tokens MLM：接着用 Replace MLM，只不过 BERT 的目标函数变为预测所有的 token，比较接近 ELECTRA。
三种实验结果如下：
可以看到：
对比 ELECTRA 和 ELECTRA 15%：在所有 token 上计算 loss 确实能提升效果
对比 Replace MLM 和 BERT：[MASK] 标志确实会对 BERT 产生影响，而且 BERT 目前还有一个 trick，就是被替换的 10% 情况下使用原 token 或其他 token，如果没有这个 trick 估计效果会差一些。
对比 All-Tokens MLM 和 BERT：如果 BERT 预测所有 token 的话，效果会接近 ELECTRA
另外，作者还发现，ELECTRA 体积越小，相比于 BERT 就提升的越明显，说明 fully trained 的 ELECTRA 效果会更好。另外作者推断，由于 ELECTRA 是判别式任务，不用对整个数据分布建模，所以更 parameter-efficient。
总结
无意中发现了这篇还在 ICLR 盲审的 ELECTRA，读完摘要就觉得发现了新大陆，主要是自己也试过 Replaced Token Detection 这个任务，因为平时任务效果的分析和不久前看的一篇文章，让我深刻感受到了 BERT 虽然对上下文有很强的编码能力，却缺乏细粒度语义的表示，我用一张图表示大家就明白了：
这是把 token 编码降维后的效果，可以看到 sky 和 sea 明明是天与海的区别，却因为上下文一样而得到了极为相似的编码。细粒度表示能力的缺失会对真实任务造成很大影响，如果被针对性攻击的话更是无力，所以当时就想办法加上更细粒度的任务让 BERT 去区分每个 token，不过同句内随机替换的效果并不好，弱鸡的我也没有再往前想一步，不然就也 ICLR 了。相信这个任务很多人都想到过，不过都没有探索这么深入，这也告诫我们，idea 遍地都是，往下挖才能有 SOTA。
ELECTRA 是 BERT 推出这一年来我见过最赞的 idea，它不仅提出了能打败 MLM 的预训练任务，更推出了一种十分适用于 NLP 的类 GAN 框架。毕竟 GAN 太牛逼了，看到 deepfake 的时候我就想，什么时候我们也能 deepcheat，但听说 GAN 在 NLP 上的效果一直不太好（只懂皮毛，要学起来了，轻拍），这次 ELECTRA 虽然只用了判别器，但个人认为也在一定程度上打开了潘多拉魔盒。
另外，整篇文章都干货满满，不再像之前的 BERT+模型一样可以用「more data+params+steps+GPU+MONEY」简单概括。推荐大家去通读正文+附录，里面还有一些失败尝试我没有讲。
如果 ELECTRA 去直播，我一定给它刷一辆游艇。
论文：《ELECTRA: PRE-TRAINING TEXT ENCODERS AS DISCRIMINATORS RATHER THAN GENERATORS》
论文链接：https://openreview.net/pdf?id=r1xMH1BtvB
